] यह आपको मॉडल के व्यवहार को समझने और संभावित मुद्दों की पहचान करने में मदद कर सकता है। केरस, पायथन के लिए एक लोकप्रिय DNN लाइब्रेरी, इसे प्राप्त करने के लिए एक सरल तरीका प्रदान करती है। किसी विशेष परत के आउटपुट को पुनः प्राप्त करने के लिए, आप निम्न सिंटैक्स का उपयोग कर सकते हैं:

model.layers [index] उदाहरण के लिए, प्रदान किए गए कोड स्निपेट में दूसरी कन्व्यूशनल लेयर का आउटपुट प्राप्त करने के लिए:

conf_output = model.layers [2]। Model.layers में परत]

मूल्यांकन कार्यों का निर्माण

वास्तव में परतों के आउटपुट का मूल्यांकन करने के लिए, केरस k.function नामक कार्यों का एक सेट प्रदान करता है। ये फ़ंक्शंस टेनर्स की एक सूची के रूप में लेते हैं और आउटपुट की एक सूची लौटाते हैं।

functors = [k.function ([inp, k.learning_phase ()], [out]) आउटपुट में बाहर] आउटपुट

model.layers[index].output

अब, आप इनपुट डेटा को संबंधित मूल्यांकन फ़ंक्शन में पास करके लेयर आउटपुट का मूल्यांकन कर सकते हैं:

परीक्षण = np.random.random (input_shape) [np.newaxis, ...] layer_outs = [func ([परीक्षण, 1.]) func में func के लिए] प्रिंट लेयर_आउट्स

model.layers[index].output

को याद रखें कि k.learning_phase () से 1 को सेट करना याद रखें यदि आपके मॉडल में से किसी भी परत में प्रशिक्षण मोड का अनुकरण करने के लिए ड्रॉपआउट या बैच सामान्यीकरण शामिल है।

प्रक्रिया को अनुकूलित करना

परतें:

outputs = [layer.output for layer in model.layers]

यह व्यक्तिगत फ़ंक्शन मूल्यांकन से जुड़े डेटा ट्रांसफर और कम्प्यूटेशन ओवरहेड को कम करता है।